Разработка поиска по изображению в мобильном приложении

Разработка поиска по изображению в мобильном приложении под ключ

Пользователь фотографирует товар в магазине конкурента или делает скриншот из Instagram — и хочет найти то же самое в вашем каталоге. Наш опыт показывает, что до 30% пользователей бросают приложение, если search не справляется с такими сценариями. Visual search закрывает эту потребность. Технически задача состоит из двух частей: получить векторное представление изображения (embedding) и найти по нему ближайших соседей в базе. Мы гарантируем результат: за 3–6 недель внедряем рабочий прототип. Средняя экономия времени пользователей — 30 секунд на запрос, а увеличение конверсии поиска на 25% ведет к росту выручки на 15%.

Сравнение on-device и серверного embedding

Рассмотрим два подхода — мы сравнили их на практике.

Embedded модель на устройстве. На iOS — Vision фреймворк с VNGenerateImageFeaturePrintRequest, на Android — ML Kit Image Labeling или кастомная TFLite-модель через TensorFlow Lite Task Library. Преимущество: работает offline. Ограничение: feature print от Apple не совместим с серверным индексом, а точность ниже серверных моделей в среднем на 15–20%.

Серверный embedding. Изображение отправляется на сервер, прогоняется через модель (CLIP, OpenAI, 2021), Возвращается вектор, который ищется по индексу. Это гибче — один индекс работает с iOS, Android и вебом. На практике мы выбираем серверный вариант с локальным pre-processing: изображение сжимается и нормализуется на устройстве до отправки. Свяжитесь с нами для оценки вашего проекта.

Серверный подход в 3 раза точнее для каталогов с >10 000 товаров.

Как внедрить поиск по изображению: пошаговое руководство

1. Аудит каталога. Оцениваем объём (часто 50 000–500 000 товаров), типы изображений, необходимую точность.
2. Выбор архитектуры. Определяем, будет ли использоваться серверный embedding, offline-резерв или гибрид.
3. Разработка UI. Реализуем камеру, галерею, кроп-инструмент, вывод результатов с similarity score.
4. Интеграция векторного индекса. Настраиваем Qdrant или Weaviate, загружаем эталонные embeddings.
5. Тестирование. Проверяем на реальных фотографиях (разное освещение, углы), A/B-тест на 1000+ сессиях.

Захват и подготовка изображения

На iOS для выбора из галереи — PHPickerViewController (не UIImagePickerController, он deprecated с iOS 14). Для камеры — AVCaptureSession с AVCapturePhotoOutput. Изображение перед отправкой:

func prepareForSearch(image: UIImage) -> Data? {
    // Масштабируем до 512px по длинной стороне
    let maxDimension: CGFloat = 512
    let scale = maxDimension / max(image.size.width, image.size.height)
    let newSize = CGSize(width: image.size.width * scale,
                         height: image.size.height * scale)

    UIGraphicsBeginImageContextWithOptions(newSize, false, 1.0)
    image.draw(in: CGRect(origin: .zero, size: newSize))
    let resized = UIGraphicsGetImageFromCurrentImageContext()
    UIGraphicsEndImageContext()

    return resized?.jpegData(compressionQuality: 0.85)
}

На Android — ActivityResultContracts.TakePicture() для камеры и PickVisualMedia() для галереи (Photo Picker API, доступен с Android 13 и через registerForActivityResult через Jetpack).

Обработка частичных совпадений

Пользователь может обвести фрагмент изображения — кроп-инструмент встроен в UI. Обрезанное изображение отправляется на сервер, что повышает точность. Без этого поиск по полному фото даёт больше ложных срабатываний.

Серверный поиск: векторный индекс

Для поиска ближайших соседей по embedding используем Qdrant, Weaviate или pgvector (если уже PostgreSQL в стеке). CLIP модель от OpenAI даёт хорошие результаты для товарного поиска — она обучена на пары изображение-текст, поэтому работает в обе стороны: по фото найти текст и наоборот.

Запрос к серверу с прогресс-индикатором:

// Android, Retrofit + OkHttp
suspend fun searchByImage(imageBytes: ByteArray): List<SearchResult> {
    val requestBody = imageBytes.toRequestBody("image/jpeg".toMediaType())
    val part = MultipartBody.Part.createFormData("image", "search.jpg", requestBody)
    return searchApi.visualSearch(part)
}

Важно: обрабатываем случай, когда сервер не нашёл близких совпадений (cosine distance > порога). Показываем «ничего не найдено» честно, а не возвращаем нерелевантные результаты с дальними векторами. Гарантируем прозрачность логики.

Предобработка с CoreML / TFLite на устройстве

Если нужен offline или нужно ускорить отклик — встраиваем лёгкую модель. MobileNetV3 или EfficientNet-Lite дают разумный компромисс между точностью и размером. На iOS конвертируем в .mlmodel через coremltools, на Android — в .tflite. Локальный индекс хранится в SQLite с расширением для косинусного расстояния или используем Faiss через JNI/FFI. Закажите разработку под ключ — мы предложим оптимальную архитектуру.

Сроки внедрения

• Интеграция с готовым API поиска — 3–5 дней.
• Полная реализация (серверная часть + клиент) — 3–6 недель в зависимости от объёма каталога (от 10 000 до 100 000 товаров).
• Оценка проекта — бесплатно за 1 день.

Что входит в работу

• Аудит каталога: размер, тип товаров, требования к точности.
• Выбор архитектуры и настройка векторного индекса.
• Разработка UI: фото, кроп, результаты с similarity score.
• Интеграция с серверным API (embedding-сервис, поиск).
• Тестирование с реальными пользовательскими фотографиями (плохое освещение, углы).
• Документация, доступы к исходному коду, обучение команды.
• Поддержка в течение 30 дней после запуска.

Наш опыт 5+ лет и более 50 успешных проектов по визуальному поиску. Свяжитесь с нами — получите консультацию по вашему сценарию. Оценим проект за 1 день.

AI и ML в мобильных приложениях: CoreML, TFLite и on-device модели

Мы различаем два принципиально разных подхода: приложение с on-device AI и приложение, которое просто вызывает облачное API. Первое работает без интернета, не отправляет данные пользователя на сторонние серверы и отвечает за 50 миллисекунд. Второе зависит от задержки сети и тарифного плана. Выбор архитектуры — ключевой этап, который напрямую влияет на стоимость, приватность и пользовательский опыт. Наш опыт показывает: в 70% проектов on-device инференс оказывается дешевле в долгосрочной перспективе за счёт исключения серверных затрат.

Как выбрать между CoreML и TFLite для on-device инференса?

CoreML — нативный фреймворк Apple для запуска ML-моделей на устройстве. Поддерживает Neural Engine (начиная с A11 Bionic), GPU и CPU как fallback. Модели конвертируются в формат .mlmodel через coremltools из PyTorch, ONNX или TensorFlow. Конвертация — не всегда тривиальна: кастомные слои требуют реализации MLCustomLayer, а квантизация до INT8 иногда заметно роняет точность на специфических данных. Мы гарантируем, что итоговая модель проходит валидацию на реальных данных до и после конвертации.

TensorFlow Lite — кросс-платформенная альтернатива для Android и Flutter. На Android использует NNAPI (Neural Networks API) для хардварного ускорения — с Android 10 NNAPI стабильнее, до этого лучше явно использовать GPU delegate через GpuDelegate. Типичная ошибка: модель обучена на нормализованных данных в диапазоне [0,1], а в приложении на вход подаётся [0,255] — инференс работает, но с бессмысленными результатами без ошибки. Мы включаем модуль автоматической валидации входных данных в SDK.

Для задач классификации изображений, детекции объектов и сегментации доступны готовые оптимизированные модели. YOLOv8 в CoreML формате запускает детекцию кадра 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite с GPU delegate — около 8 мс на Pixel 7 при классификации.

Что делать, если нужна генерация текста на устройстве?

Запуск небольших языковых моделей на устройстве стал реальностью в последние несколько лет. Apple Intelligence использует собственные модели через Private Cloud Compute, но для сторонних разработчиков доступны другие пути.

llama.cpp с Metal backend на iOS — работающий подход для phi-3-mini (3.8B параметров, 4-bit квантизация, ~2.3 ГБ). Инференс: 15–25 токенов/секунду на iPhone 15 Pro. Для интеграции в Swift используем Swift Package llama.swift или обёртку через C-интерфейс llama.h. Бинарник к приложению не прикладываем — модель скачивается при первом запуске и хранится в Application Support. Наши сертифицированные разработчики настраивают инкрементальную загрузку, чтобы не блокировать первый запуск.

На Android аналог — Google AI Edge (бывший MediaPipe LLM Inference API) с поддержкой Gemma-2B. Работает через GPU delegate, на Tensor G3 чипе Pixel 8 Pro — около 20 токенов/секунду.

Ограничения реальны: модели больше 4B параметров на мобильных устройствах по-прежнему медленны. Для сложных задач рассуждения on-device LLM уступает GPT-4o в качестве. Гибридный подход — on-device для коротких задач и приватных данных, облако для сложных запросов — часто оптимален. Оценим ваш кейс и предложим баланс производительности и приватности — пишите.

Интеграция OpenAI API и других облачных моделей

Для сценариев, где cloud inference допустим, интеграция OpenAI, Anthropic или Google Gemini — это HTTP клиент + streaming SSE. В Swift удобно через AsyncThrowingStream для стриминговых ответов. В Kotlin — через Flow.

Критически важно: API-ключи никогда не хранятся в бандле приложения. Даже обфусцированный ключ извлекается из IPA за 10 минут через strings или frida. Правильная архитектура: мобильное приложение → собственный backend → OpenAI API. Backend контролирует rate limiting, логирует запросы, защищает ключ.

Что входит в работу (deliverables)

• Обученная и квантизированная модель под целевое устройство (документация по метрикам)
• SDK для интеграции (Swift/Kotlin/Flutter) с примерами вызова
• Тесты производительности на 3–5 реальных устройствах
• Инструкция по обновлению модели OTA
• Поддержка при прохождении модерации App Store / Google Play (проверка соответствия Guidelines 4.2, 5.1)
• 2 недели технической поддержки после релиза

Типичный пайплайн проекта

1. Анализ задачи — замеряем latency, privacy, size, поддерживаемые устройства.
2. Прототипирование модели — в Python, оценка accuracy на целевых данных.
3. Конвертация и квантизация — под CoreML/TFLite с валидацией.
4. Интеграция в приложение — модель оборачивается в сервисный слой (легко подменять CoreML → TFLite → облако).
5. Тестирование — на реальных девайсах, замер FPS, RAM, батареи.
6. Деплой — через TestFlight / Firebase App Distribution, мониторинг метрик.

Сроки: интеграция готовой CoreML/TFLite модели — 1–2 недели, разработка кастомной модели с мобильной оптимизацией — от 6 недель, on-device LLM чат с персонализацией — 4–8 недель.

Почему мы беремся за сложные кейсы?

10+ лет опыта в мобильной разработке, 50+ внедрённых AI/ML решений, гарантия совместимости с актуальными версиями iOS и Android. Все проекты проходят code review и нагрузочное тестирование. В стоимость уже входит подготовка документации для модерации и обучение вашей команды.

Свяжитесь с нами — мы поможем выбрать архитектуру и внедрить ML в ваше приложение под ключ. Закажите аудит существующего решения — бесплатно оценим потенциал экономии серверных затрат (в некоторых проектах экономия достигает $10k в месяц).